目錄
介紹
方案一：
介紹
随着深度學習的發展，神經網絡已經深入各行各業，這裡主要介紹下神經網絡對圖像的重建問題，這裡圖像重建可以是圖像超分辨，圖像增強，圖像去噪等等。由于現在的顯示卡顯存的限制，對于分辨率比較大的圖像來說，直接将原圖作為輸入往往會導緻顯存不夠，通常的處理的辦法是将原圖進行切塊處理，對圖像塊進行重建，然後将圖像塊進行拼接。下面将一一介紹其方案以優化的方案。
方案一：
一個很暴力直接的方案就是圖像直接非重疊的進行切塊，其圖解如下圖所示：
假設上圖黑色邊界表示原圖像的大小，圖像的分辨率為1024x1024，現以将圖像均切成四等份為例，可以切成上圖四個512x512大小的圖像塊，以上切塊像塊處理方案沒有進行重疊。此時的圖像塊輸入大小為512x512。其圖像塊作為輸入得到重建後的圖像塊，最後将其進行拼接。這樣會導緻圖像重建後每個圖像的邊界資訊處理後不一緻，然後拼接後的圖像很明顯的出現塊效應。如下圖所示：
可以觀察此重建後的圖像的局部資訊，如下圖所示：
很明顯的看到會出現圖像塊效應。
是以需要對其進行改進。
方案二
對于拼接處進行重疊超分重建，然後對重疊部分進行取平均值，具體圖解如下：
以将圖像切成4等份的patch為例，藍色邊界表示原圖大小，這樣會形成紅色重疊部分假設紅色重疊部分為16個像素寬度，實際每個圖像塊大小為藍色圖像塊大小504x504。此時圖像塊的輸入大小仍然為520x520（512+8）（藍色部分504加紅色重疊部分16），重建後進行原位像素拼接，拼接後對于紅色重疊部分進行取平均值。
方案三
通過對實際圖像大小的塊對外擴充一些像素然後對擴充後的圖像進行圖像重建，圖像塊重建後對于重疊部分進行切除舍棄處理。具體圖解如下圖所示：
藍色的邊界仍然表示原圖大小，其中黑色實線表示圖像中軸線。首先将圖像四周進行padding，padding大小為紅色重疊部分16個像素，padding後的圖像大小為1056x1056。将padding後的圖像進行進行切塊，此時的輸入圖像塊大小為548x548(512+16*2)進行重建，然後将重建後的圖像塊切除四周16個像素得到512x512，最後将其依次拼接起來。對于圖像塊1，重建後将紅色部分切除。對于圖像塊2，左邊部分切除黃色部分。
總結
通過實驗表明，通過對方案一改進後的方案二、三能夠很好的去除塊效應，同時，方案三的效果要比方案二更佳。